機械学習を用いた肺がん早期発見のための複合的バイオマーカーの創出

• Project/Area Number: 22K15590
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 50020:Tumor diagnostics and therapeutics-related
• Research Institution: Juntendo University
• Principal Investigator: 星 和明 順天堂大学, 大学院医学研究科, 特任助教 (90882407)
• Project Period (FY): 2022-04-01 – 2025-03-31
• Project Status: Granted (Fiscal Year 2023)
• Budget Amount: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000); Fiscal Year 2023: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000); Fiscal Year 2022: ¥2,340,000 (Direct Cost: ¥1,800,000、Indirect Cost: ¥540,000)
• Keywords: 肺がん / 機械学習 / 樹状細胞 / 血中循環腫瘍細胞 / リキッドバイオプシー / 複合的マーカー

Outline of Research at the Start

リキッドバイオプシーは尿や血液検体など低侵襲な液性検体を利用した解析技術であり、身体への負担が少ない。近年、これら技術とAI基盤技術である機械学習を併用した新規バイオマーカーの探索も報告されている。本研究では肺がん患者における樹状細胞変化に着目し、機械学習を用いた複合的バイオマーカーの創出を目的とする。将来的にはテロメラーゼ活性を指標とした既存CTCs検出システムに複合的バイオマーカーを反映させ、低医療コストながん早期発見技術の開発を目指す。

Outline of Annual Research Achievements

肺がんは未だに世界中で死亡要因第一位を占め、肺がん全体の5年生存率は20～30%と低い。しかしながら、ステージ1早期発見では5年生存率が約70%にまで回復するため、より低侵襲で信頼性の高い診断技術の開発が重要である。リキッドバイオプシーは身体への負担が少ない低侵襲性の液性検体（血液や尿など）を利用した診断に有用な技術であり、近年、機械学習や統計学など情報学を併用したバイオマーカー研究が報告されている。機械学習は人工知能（AI）開発の基盤技術であり、機械に大量のデータからパターンやルールを発見させ、それをさまざまな物事に利用することで判別や予測をする技術である。リキッドバイオプシーから得た情報を機械学習で処理することにより、早期発見や治療奏効予測に重要なバイオマーカーの発見が期待される。本研究では肺がん患者末梢血検体中の樹状細胞の表面抗原やポピュレーション変化を解析し、機械学習を用いることで臨床的に有用な複合的バイオマーカー候補を探索することを目的とする。樹状細胞は患者血液検体に含まれており、強力な抗原提示能を有する。自然免疫と適応免疫を仲介し、がん疾患でも重要な役割を担う。2023年度は１）肺がん患者末梢血検体中の樹状細胞の解析及び２）末梢血から調製した血漿中のサイトカイン定量のための実験系構築を進めた。その結果、肺がん患者では健常人と比較して末梢血中の形質細胞様樹状細胞（pDCs）の割合が減少していた。また、肺がん患者末梢血検体から調製した血漿中のサイトカイン産生を調べるための酵素免疫測定法実験系も構築した。

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

研究協力者（被験者）となる肺がん症例の入院、外来患者が減少し、肺がん患者臨床血液検体を用いた解析症例蓄積とサンプル調製が予定よりも遅れている。

Strategy for Future Research Activity

現在までに肺がん患者末梢血検体中のpDCs並びに自然免疫受容体解析、サイトカイン測定のための実験系を構築した。肺がん症例では健常人と比較してpDCsの割合が減少していた。今後は肺がん患者臨床血液検体を用いた解析症例の蓄積を進める。健常人と肺がん患者末梢血由来pDCsの免疫応答性や血漿サイトカイン量を解析する。これら蓄積したデータを用いて機械学習を行う。また、複合的バイオマーカーとなり得る候補因子を探索するため、オープンデータベースを活用した機械学習やバイオインフォマティクス解析を行う。オープンデータベースより多くのデータを収集することで機械学習の精度も向上する。実験データとオープンデータを利用し、実験と理論研究の双方から複合的バイオマーカーの探索を進める。